Perretti et al. (2013a,b) showed th

Perretti et al. (2013a,b) showed that such a nonparametric
approach to forecasting could outperform parametric forecasts in
some stochastic dynamical systems in chaotic regimes, even
in situations in which the parametric forecast was based on the same
model that was used to generate the data. This poor performance of
parametric forecasting was due to two main reasons. The first reason
is the well known instability of parametric inference in chaotic
systems (Berliner, 1991; Wood, 2010). Hartig and Dormann (2013)
recalled an alternative method to calibrate the model which is based
on a segmentation of the time series to circumvent the sensibility to
initial conditions encountered in chaotic regimes (Pisarenko and
Sornette, 2004). Armed with this trick, Hartig and Dormann (2013)
have shown that the parametric forecast is more accurate than the
nonparametric one in the case where the same model was used to
generate the data and to ground the forecast

ผลลัพธ์ (ไทย) 1:

Perretti et al. (2013a, b) แสดงให้เห็นว่าที่ดังกล่าวแบบ nonparametricวิธีการคาดการณ์อาจมีประสิทธิภาพสูงกว่าคาดการณ์พาราเมตริกในแม้บางระบบ dynamical สโทแคสติกในระบอบวุ่นวายในสถานการณ์ที่คาดการณ์พาราเมตริกถูกยึดเหมือนกันแบบจำลองที่ใช้ในการสร้างข้อมูล นี้ประสิทธิภาพต่ำของคาดการณ์พาราเมตริกได้เนื่องจากสาเหตุหลักสอง เหตุผลแรกมีความไม่แน่นอนรู้จักกันดีของข้อพาราเมตริกในวุ่นวายระบบ (Berliner, 1991 ไม้ 2010) Hartig และ Dormann (2013)ยกเลิกวิธีการอื่นเพื่อปรับเทียบแบบจำลองที่อยู่ในการแบ่งเซกเมนต์ของลำดับเวลาเพื่อหลีกเลี่ยงอย่างทันการเริ่มต้นเงื่อนไขที่พบในระบอบวุ่นวาย (Pisarenko และSornette, 2004) มีเทคนิคนี้ Hartig และ Dormann (2013)ได้แสดงให้เห็นว่าการคาดการณ์พาราเมตริกถูกต้องมากกว่าการหนึ่งในกรณีที่รุ่นเดียวกันถูกใช้ nonparametricสร้างข้อมูล และพื้นดินการคาดการณ์

ผลลัพธ์ (ไทย) 2:

Perretti et al, (2013a b)
แสดงให้เห็นว่าไม่อิงพารามิเตอร์เช่นวิธีการที่มีประสิทธิภาพสูงกว่าการคาดการณ์อาจคาดการณ์ตัวแปรในบางระบบสุ่มพลังในระบอบการปกครองที่วุ่นวายแม้ในสถานการณ์ที่การคาดการณ์ตัวแปรอยู่บนพื้นฐานเดียวกันรูปแบบที่ถูกนำมาใช้ในการสร้างข้อมูล ผลการดำเนินงานที่ดีของการพยากรณ์ตัวแปรเป็นเพราะสองเหตุผลหลัก เหตุผลแรกคือความไม่แน่นอนที่รู้จักกันดีของการอนุมานพาราวุ่นวายในระบบ(Berliner 1991; ไม้ 2010) Hartig และ Dormann (2013) จำได้ว่าเป็นวิธีทางเลือกในการปรับรูปแบบซึ่งจะขึ้นอยู่กับการแบ่งส่วนของชุดเวลาที่จะหลีกเลี่ยงความรู้สึกที่จะเงื่อนไขเริ่มต้นที่พบในระบอบการปกครองที่วุ่นวาย(Pisarenko และSornette, 2004) อาวุธที่มีเคล็ดลับนี้ Hartig และ Dormann (2013) แสดงให้เห็นว่าการคาดการณ์ตัวแปรมีความถูกต้องมากขึ้นกว่าหนึ่งอิงพารามิเตอร์ในกรณีที่รูปแบบเดียวกันถูกใช้ในการสร้างข้อมูลและพื้นดินการคาดการณ์

ผลลัพธ์ (ไทย) 3:

perretti et al . ( 2013A , B ) พบว่าวิธีดังกล่าวอาจมีประสิทธิภาพสูงกว่าการคาดการณ์พยากรณ์
วิธีการพาราเมตริกในบางระบบพลวัตปัญหา

กันวุ่นวาย แม้ในสถานการณ์ที่คาดการณ์ตัวแปรขึ้นอยู่กับเดียวกัน
แบบที่ใช้ในการสร้างข้อมูล การแสดงนี้ยากจน
การพยากรณ์พาราเนื่องจากสองเหตุผลหลัก
เหตุผลแรกที่รู้จักกันดีคือความไม่แน่นอนของการอนุมานเชิงระบบวุ่นวาย
( Berliner , 1991 ; ไม้ , 2010 ) Hartig และ dormann ( 2013 )
นึกถึงวิธีที่จะปรับรูปแบบซึ่งใช้ในการแบ่งส่วนของ
อนุกรมเวลาเพื่อหลีกเลี่ยงความรู้สึก

เจอกันอลหม่านในเงื่อนไขเริ่มต้น ( pisarenko และ
sornette , 2004 ) ด้วยวิธีนี้และ ( 2013 )
dormann Hartigแสดงให้เห็นว่าตัวแปรพยากรณ์แม่นกว่า
3 หนึ่งในคดีที่ใช้รูปแบบเดียวกัน

สร้างข้อมูลและพื้นดิน พยากรณ์